-
公开(公告)号：CN114372062A
公开(公告)日：2022-04-19
申请号：CN202210052851.5
申请日：2022-01-18
Applicant: 北京工业大学
IPC: G06F16/22 , G06F16/583 , G06K9/62 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于特征交互神经张量网络的图结构数据相似度计算方法，即DeepSIM模型，属于深度学习领域，首先使用共享权值的图卷积层构建孪生图卷积模块用以获得两个图结构数据的一对节点级嵌入。然后将这一对节点级嵌入输入图注意力层以聚合节点级信息得到图级嵌入。针对图级嵌入，本发明提出的FINTN能够有效推理二者之间的关联并输出固定维度的关系向量。这一关系向量输入到由全连接层构成的结果输出模块得到预测输出。这一预测输出与实际的标签值进行比较，通过损失函数和反向传播算法对整体模型参数进行更新以达学习的目的。完成训练的DeepSIM模型能高效可靠地计算输入的两个图结构数据的相似度。
-
Patent Agency Ranking
公开(公告)号：CN114511708B
公开(公告)日：2024-06-11
申请号：CN202210059012.6
申请日：2022-01-18
Applicant: 北京工业大学
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06V10/74 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于节点级嵌入特征三维关系重建的图数据相似度方法，属于深度学习领域，首先通过孪生图卷积层和相似节点交互模块生成节点级嵌入特征三维关系，然后将节点级嵌入特征三维关系经过三维卷积提取特征，将三维特征经过Flatten层展开为一维，获得最终节点级关系向量。这一关系向量输入到由全连接层构成的结果输出模块得到预测输出。这一预测输出与实际的标签值进行比较，通过损失函数和反向传播算法对整体模型参数进行更新以达到学习的目的。完成训练的DeepSIM‑3D模型能高效可靠地计算输入的两个图结构数据的相似度。
-
公开(公告)号：CN114511708A
公开(公告)日：2022-05-17
申请号：CN202210059012.6
申请日：2022-01-18
Applicant: 北京工业大学
Abstract: 本发明公开了基于节点级嵌入特征三维关系重建的图数据相似度方法，属于深度学习领域，首先通过孪生图卷积层和相似节点交互模块生成节点级嵌入特征三维关系，然后将节点级嵌入特征三维关系经过三维卷积提取特征，将三维特征经过Flatten层展开为一维，获得最终节点级关系向量。这一关系向量输入到由全连接层构成的结果输出模块得到预测输出。这一预测输出与实际的标签值进行比较，通过损失函数和反向传播算法对整体模型参数进行更新以达到学习的目的。完成训练的DeepSIM‑3D模型能高效可靠地计算输入的两个图结构数据的相似度。
-
公开(公告)号：CN113241117B
公开(公告)日：2024-05-31
申请号：CN202110556914.6
申请日：2021-05-21
Applicant: 北京工业大学
IPC: G16B20/30 , G06N3/0464 , G06N3/042 , G06N3/084 , G06F18/241
Abstract: 本发明公开了一种基于残差图卷积神经网络RNA‑蛋白质结合位点判别方法，首先将原始数据映射为图结构数据借此挖掘碱基之间可能存在的隐性关联，然后运用残差图卷积神经网络对映射处理后的节点信号进行特征提取生成对应的特征向量，最后以此特征向量作为下游分类任务的输入。残差连接的思想可以缓解深层神经网络训练中存在的网络退化和梯度消失问题，使模型较之传统的深层网络更易优化且判别精度更高。创造性地使用了图卷积神经网络结合残差神经网络思想对RNA‑蛋白质结合位点进行判别分析，提出ResGCN_RNA深度学习模型，为挖掘RNA上蛋白质结合位点各类碱基之间的潜在关系。
-
公开(公告)号：CN114464249A
公开(公告)日：2022-05-10
申请号：CN202111669140.4
申请日：2021-12-31
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于自注意力卷积的核糖核酸‑蛋白质位点识别方法，从相关公开数据集库或相关公开数据网站获取RBP结合位点序列数据；预处理数据集，利用独热编码对数据进行重新编码，作为模型的输入数据将处理好的训练集数据输入到模型当中，利用损失函数和反向传播算法自更新模型参数。通过设置的好的早停法，获取最优模型并保存该模型。整体完成后利用测试集进行测试。本发明通过多头自注意力机制捕获全局特征，有效的弥补卷积方法只能关注局部特征的问题，在有效降低模型参数量的同时仍可保持模型整体分析效果。
-
公开(公告)号：CN113241117A
公开(公告)日：2021-08-10
申请号：CN202110556914.6
申请日：2021-05-21
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于残差图卷积神经网络RNA‑蛋白质结合位点判别方法，首先将原始数据映射为图结构数据借此挖掘碱基之间可能存在的隐性关联，然后运用残差图卷积神经网络对映射处理后的节点信号进行特征提取生成对应的特征向量，最后以此特征向量作为下游分类任务的输入。残差连接的思想可以缓解深层神经网络训练中存在的网络退化和梯度消失问题，使模型较之传统的深层网络更易优化且判别精度更高。创造性地使用了图卷积神经网络结合残差神经网络思想对RNA‑蛋白质结合位点进行判别分析，提出ResGCN_RNA深度学习模型，为挖掘RNA上蛋白质结合位点各类碱基之间的潜在关系。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
